IV.9Медиа, журналистика, культура, архивы и игры

ssamperr/results_hugging_face — модель обнаружения объектов на изображениях, основанная на архитектуре DETR и представленная разработчиком ssamperr. В карточке указано, что это дообученная версия той же модели; число параметров — 6,3 млн. Модель предназначена для поиска и локализации объектов на изображениях. Репозиторий содержит веса в формате safetensors и опубликован по лицензии Apache-2.0. Карточка не описывает набор данных, классы объектов, качество, обучение или ограничения, поэтому оценить точность на конкретных изображениях нельзя.

Retro Diffusion — модель генерации изображений по текстовому описанию, опубликованная под именем Lost Media и сохранённая в архиве для дальнейшего доступа. Карточка указывает на использование библиотеки Diffusers и StableDiffusionPipeline. Модель предназначена для создания изображений в стиле пиксель-арта; пример описания также задаёт милую героиню в стиле чиби и фэнтези с уличной одеждой. Модель принимает текстовые запросы и генерирует изображения. В качестве лицензии указана Public Domain Mark 1.0. Карточка не приводит сведений о размере модели, длине контекста или поддерживаемых языках. Описание содержит пример промпта, но не подтверждает стабильность конкретных стилей или деталей на выходе.

RicardoEstep/RPBizkit-v7-12B — экспериментальная смесь моделей семейства Mistral Nemo, созданная автором карточки с помощью Model Stock и Mergekit. Модель содержит 12,1 млрд параметров и предназначена для генерации текста, в том числе ролевых диалогов, персонажей и повествовательных текстов; в смеси объединены модели для рассуждений, творческого письма и ролевых сценариев. В README заявлена поддержка контекста до 128K токенов и рекомендован шаблон чата Alpaca с RAW-вводом; автор отмечает, что настройки шаблона могут требовать ручной корректировки. В метаданных указан нативный контекст 1 024 000 токенов, что расходится с заявлением README. Модель распространяется в формате safetensors. Тег «not-for-all-audiences» и исходные компоненты без обычных ограничений указывают на возможность генерации взрослого или нежелательного контента. Информация о лицензии в предоставленных материалах отсутствует.

zeromodels/sam2_hiera_large — конверсия SAM 2.1 Hiera Large, разработанной Meta, в реализацию на Keras 3. Модель выполняет сегментацию изображений по визуальным подсказкам: принимает точки и, при включённой поддержке, рамки и выдаёт маски объектов. В основе — backbone Hiera-L с FPN neck; реализация заявлена для TensorFlow, PyTorch и JAX. Модель предназначена для интерактивного выделения объектов на отдельных изображениях, например при разметке данных или создании масок по указанию пользователя. Этот порт работает только с изображениями: память видео и перенос сегментации между кадрами не поддерживаются. Репозиторий распространяется по лицензии Apache 2.0.

Sarashina2-Vision-8B — японская визуально-языковая модель SB Intuitions для диалога по изображениям. Она основана на Sarashina2-7B и использует визуальный энкодер Qwen2-VL-7B; модель имеет плотную архитектуру Sarashina2VisionForCausalLM и содержит 8 млрд параметров. Модель принимает изображение вместе с текстовым запросом и генерирует текстовые ответы: например, описывает содержимое фотографии, распознаёт объекты и отвечает на вопросы о сцене. Она предназначена прежде всего для японского языка; в метаданных также отмечен английский. В README приведены сравнительные результаты на японских бенчмарках JMMMU, Heron-Bench и JDocQA. Модель дообучена на базе Sarashina2-7B в несколько этапов: настраивались проектор, визуальный энкодер и языковая модель с использованием наборов подписей к изображениям и визуальных инструкций. Доступна по лицензии MIT. По данным авторов, возможны бессмысленные или неточные ответы, а также предвзятый либо нежелательный контент; для практического применения авторы рекомендуют дополнительную настройку с учётом человеческих предпочтений и требований безопасности.

Simple Diffusion XS — экспериментальная компактная модель генерации изображений от AiArtLab. Карточка описывает архитектуру на основе собственного UNet примерно на 1,6 млрд параметров, текстового энкодера Qwen3.5 примерно на 1,8 млрд параметров и собственного VAE с коэффициентом сжатия 8×16. Авторы ориентируют проект на обучение на потребительских видеокартах и быструю генерацию; в README также приведён пример генерации изображения по текстовому запросу. Модель предназначена для создания изображений по текстовым описаниям. В карточке показаны примеры уточнения промпта, задания негативного промпта и управления параметрами генерации, а также отдельная функция увеличения изображений через VAE. Версия обозначена как alpha, а сам README предупреждает, что заявленное качество пока не достигнуто. Репозиторий содержит Diffusers и safetensors. Указана лицензия other без дополнительных условий в предоставленных данных, поэтому конкретные права использования по этой карточке определить нельзя.

Stable Fast 3D (SF3D) — модель Stability AI на основе TripoSR, которая восстанавливает трёхмерный объект по одному изображению. Она использует архитектуру Transformer и формирует текстурированную UV-развёрнутую сетку с относительно небольшим числом полигонов. Также модель выполняет удаление освещения и предсказывает параметры материала объекта, включая шероховатость и металличность. SF3D предназначена для создания и подготовки 3D-ассетов для дизайна, творческих и образовательных инструментов, игровых движков и рендеринга. В README заявлена генерация менее чем за секунду; ожидаемый размер входного изображения — 512 × 512 пикселей. Модель обучалась на рендерах из набора Objaverse. Модель не предназначена для получения достоверных изображений людей или событий. Использование должно соответствовать Acceptable Use Policy. Лицензия обозначена как other; согласно README, организациям и частным лицам с годовой выручкой от 1 млн долларов США требуется отдельная коммерческая лицензия Stability AI для коммерческого использования SF3D, производных моделей и результатов.

SheetSage2 — модель проекта YuE2, разработанная командой m-a-p для преобразования музыкальных записей в редактируемые свинцовые партитуры и временные музыкальные аннотации. Она транскрибирует мелодии, аккорды, доли и тональность, а также структуру композиции; результаты можно экспортировать в ABC или MIDI и прослушивать в виде фортепианного превью. Модель построена на музыкальном энкодере MERT-v2-FullSong и использует адаптеры, которые объединяются при загрузке. Помимо полной транскрипции, README описывает извлечение эмбеддингов и предсказание токенов. Для работы нужны Python 3.10 или 3.11, FFmpeg 6.1, PyTorch и доступ к репозиторию модели и базовой модели. В README приведены бенчмарки для определения долей, сильных долей, мелодии и аккордов. Результаты могут зависеть от настроек декодирования; транскрипцию рекомендуется проверять и редактировать. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Это модель подавления шума и реверберации в речи на архитектуре GTCRN (Grouped Temporal Convolutional Recurrent Network), подготовленная для ускорителя AX650 (NPU3) и запуска через sherpa-onnx. Она принимает аудиосигнал и выдаёт улучшенное аудио; в README указана частота дискретизации 16 кГц. Файл AXMODEL размером 1,8 МБ использует квантизацию U16 и подходит для локальной обработки на устройстве. Модель основана на k2-fsa/sherpa-onnx-gtcrn-dereverb-advanced-v0 и предназначена для очистки речевых записей от шума и уменьшения реверберации, например перед распознаванием речи или при обработке звонков. Карточка указывает лицензию Apache-2.0. Показатель RTF в README обозначен как TBD, поэтому скорость работы не подтверждена.

Shiitake Mix v10 SDXL — модель для генерации изображений по текстовому описанию, созданная Vsukiyaki и опубликованная пользователем John6666. Она основана на OnomaAIResearch/Illustrious-xl-early-release-v0 и предназначена прежде всего для создания аниме-иллюстраций, включая изображения девушек и персонажей в милом стилистическом оформлении. Модель работает через StableDiffusionXLPipeline в библиотеке Diffusers и поддерживает генерацию изображений по англоязычным промптам. К её сильным сторонам относятся специализация на аниме-стилистике, персонажных иллюстрациях и визуальных вариациях в стиле Illustrious. Лицензия указана как FAIPL-1.0-SD (license: other). Качество и содержание результата зависят от формулировки промпта, параметров генерации и ограничений базовой модели. Модель специализирована на визуальном стиле и не предназначена для задач понимания текста, диалогов или генерации фотореалистичных изображений без дополнительной проверки результата.

Ślimaki Tavern 24B v1.3 — созданная автором Naphula языковая модель для ролевых диалогов и творческого письма. Это объединение нескольких предварительно обученных моделей, выполненное в два этапа методом multi_fusion на основе mergekit; архитектура — плотная MistralForCausalLM, размер — 23,4 млрд параметров. Модель предназначена для генерации текста, включая ролевые сценарии, истории и разговоры. В карточке указаны десять поддерживаемых языков: английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, русский и корейский. Родной контекст составляет 131 072 токена. Модель описана как uncensored и ориентирована на ролевые сценарии; для подходящего поведения может потребоваться настройка параметров сэмплирования. В README рекомендованы шаблоны Mistral Tekken или ChatML. Она способна генерировать сцены с насилием и откровенным эротическим содержанием. Модель распространяется по лицензии Apache-2.0.

SLORA — модель генерации видео по текстовому описанию, разработанная Muhammad Taqi и представленная в формате Diffusers с весами safetensors. Автор описывает её как совместимую по синтаксису и настройкам с Wan-AI/Wan2.1-T2V-14B; модель предназначена для преобразования текстовых запросов в видеопоследовательности с плавным движением и согласованностью с запросом. Заявлена генерация в разрешениях 480p и 720p с использованием пространственно-временного VAE. В метаданных указана лицензия MIT. README не приводит независимых оценок качества или сведений о производительности.

SLORA-MAX — модель генерации видео по текстовому описанию, опубликованная Muhammad Taqi. Карточка заявляет совместимость по синтаксису и рабочему процессу с MiniMaxAI/MiniMax-H3 и использование в Diffusers. Модель принимает текстовый запрос, включая необязательное описание нежелательных элементов, и выдаёт видеокадры; в README указан параметр num_frames со значением по умолчанию 100. Автор заявляет высокую детализацию, соответствие видео текстовому запросу и плавность движения. Однако карточка не приводит проверяемых результатов, сведений о размере модели или фактической длине контекста, поэтому эти заявления нельзя оценить по доступным данным. Лицензия — MIT.

Solar-Dawn-31B — мультимодальная диалоговая модель на архитектуре Gemma 4, созданная Cyclone Labs объединением нескольких моделей, включая google/gemma-4-31B-it, модели для ролевого общения и повествования, а также вариант с обработкой изображений. Объединение выполнено методом FCGS; веса представлены в формате safetensors и bfloat16, для работы указана библиотека Transformers. Размер модели — 31 млрд параметров. Модель предназначена прежде всего для ролевого общения, взаимодействия с персонажами, творческого письма, длинных историй и интерактивной прозы. Она принимает текст и изображения и генерирует текст; возможности vision и chat указаны в метаданных. В README не приведены поддерживаемые языки и длина контекста, поэтому они здесь не описываются. Модель распространяется по лицензии Apache-2.0. Результаты объединения зависят от выбранных компонентов и могут быть непоследовательными в длинных сюжетах; заявленные сценарии ориентированы на художественную генерацию и ролевое взаимодействие.

SomethingV2 — модель латентной диффузии, предназначенная для генерации ярких, но мягких изображений в стиле аниме по текстовым запросам. Разработчик — NoCrypt. Модель доступна в формате Diffusers с весами PyTorch в формате safetensors; карточка указывает лицензию CreativeML OpenRAIL-M. В README рекомендуются Clip Skip 2, sampler DPM++ 2M Karras, CFG Scale 7–12 и разрешение первого прохода не менее 512×512. Для повышения детализации автор советует использовать hires fix и увеличивать изображение до 1500×1500. Веса VAE встроены в модель. README сообщает об обновлённой версии SomethingV2.2.

SPRIGHT-T2I — диффузионная модель генерации изображений по тексту, разработанная Агниетом Чаттерджи, Габриэлой Бен-Мелех Стэн и соавторами. Модель дообучена на Stable Diffusion 2.1 с использованием подмножества SPRIGHT, где изображения сопровождаются обычными и пространственно ориентированными описаниями. Она предназначена для создания изображений, точнее передающих расположение объектов и отношения между ними в запросе. Модель рассчитана на англоязычные текстовые запросы и работает через библиотеку Diffusers. Авторы сообщают об улучшении пространственной точности и качества генерации по сравнению с SD 2.1. Лицензия — CreativeML Open RAIL++-M. К ограничениям относятся унаследованные от Stable Diffusion 2.1 предубеждения, а также возможность размытых лиц людей; авторы связывают последнее с использованием изображений Segment Anything при дообучении. Обучающая выборка была небольшой: 444 изображения для обучения и 50 для валидации.

furusu/SSD-1B-anime — это модель генерации изображений по текстовому описанию, созданная автором furusu на основе SSD-1B. По README, автор объединил SSD-1B с разницей весов NekorayXL и SDXL 1.0, затем дистиллировал полученную модель, обучая её воспроизводить конечный вывод NekorayXL. Модель предназначена для генерации изображений в аниме-стиле. Её можно использовать в ComfyUI с файлами safetensors. В README также описаны LoRA для генерации с CFG scale 1, что позволяет не вычислять отрицательный промпт, и LCM-LoRA для SSD-1B. Модель использует семейство Stable Diffusion XL и библиотеку Diffusers. Карточка не сообщает размер модели, длину контекста или лицензию; эти характеристики здесь не приводятся. Сведения о языках промптов и конкретных ограничениях качества отсутствуют.

Это набор ONNX-моделей ControlNet для Stable Diffusion 3.5 Large, подготовленный Stability AI совместно с NVIDIA и оптимизированный для инференса с TensorRT. Базовая модель — мультимодальный диффузионный трансформер MMDiT для генерации изображений по тексту; ControlNet добавляет управление структурой или деталями по входному изображению. Доступны варианты Canny, Depth и Blur. Модели предназначены для генерации изображений с заданной структурой по карте границ Canny или карте глубины, а также для высокоточного увеличения разрешения с помощью Blur ControlNet. Примеры применения включают создание иллюстраций по контурам, архитектурных визуализаций по глубине и текстурирование 3D-объектов. Репозиторий содержит ONNX-экспорт в BF16; для Depth и Canny также доступны FP8-варианты. В README приведены замеры на NVIDIA H100 при разрешении 1024×1024. Для работы требуется TensorRT и совместимый ускоритель NVIDIA; приведённые показатели производительности относятся к H100 и конкретным настройкам шагов генерации. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели.

SDXL Refiner 1.0 — модель диффузии от Stability AI, предназначенная для финальных этапов удаления шума и уточнения изображений, созданных базовой моделью SDXL. Её можно применять в двухэтапном конвейере генерации: базовая модель создаёт латенты, а Refiner дорабатывает их; также доступен сценарий image-to-image на основе SDEdit с тем же текстовым запросом. Модель использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Она помогает улучшить итоговое качество изображения, но второй этап увеличивает время генерации. Лицензия — CreativeML Open RAIL++-M; условия использования включают ограничения на отдельные сценарии. Модель не гарантирует фотореализм, плохо отображает читаемый текст и сложные пространственные композиции; лица и люди могут получаться некорректно. Она не предназначена для создания достоверных изображений людей или событий и может воспроизводить социальные предубеждения из данных.

StableMaterials — диффузионная модель генерации фотореалистичных PBR-материалов, разработанная с использованием подхода MatFuse на основе латентной диффузии. Она создаёт тайловые карты материалов разрешением 512×512 по текстовому или графическому запросу: базовый цвет, шероховатость, металлические свойства, высоту и нормали. Модель предназначена для создания материалов в разработке игр, архитектурной визуализации и цифровом контенте. Модель использует VAE для сжатия изображения и латентный диффузионный процесс. Обучение сочетает размеченные и неразмеченные данные, включая материалы из MatSynth и набора Deschaintre et al., а также текстурно-текстовые пары, созданные SDXL. В репозитории представлены базовая и consistency-версии; последняя сокращает число шагов генерации. Для получения тайловых результатов применяется свёртка признаковых карт в U-Net. Модель может испытывать трудности со сложными пространственными описаниями, тонкими узорами и фигурами, а также иногда неверно предсказывает отражательные свойства отдельных материалов. Лицензия — OpenRAIL.

Starbral-Infinimons-9B — объединённая автором модель для генерации текста на архитектуре Mistral с 8,9 млрд параметров. Она собрана методом passthrough merge из ABX-AI/Cerebral-Infinity-7B и ABX-AI/Starfinite-Laymons-7B; в описании автор также указывает на использование идей и возможностей других ролевых моделей. Модель предназначена для ролевых диалогов и создания художественных историй. Автор сообщает о поддержке шаблонов ChatML и Alpaca и отмечает оригинальность ответов, но эти оценки основаны на предварительных тестах. Контекст составляет до 32 768 токенов; репозиторий использует Transformers и формат safetensors. Модель может выдавать контент для взрослой аудитории и помечена как не подходящая для всех аудиторий. Лицензия в предоставленных данных не указана.

Starry XL 5.2 — модель генерации изображений по текстовому описанию, разработанная kitarz на основе SDXL 1.0 и дообученная от Kohaku-XL Epsilon. Она предназначена прежде всего для создания изображений в стиле аниме с управлением стилем через теги художников и персонажей. Для точного результата имена художников и персонажей нужно указывать без ошибок; автор рекомендует сочетать несколько художественных стилей. Модель доступна в форматах Diffusers и safetensors. Указанная лицензия — Fair AI Public License 1.0-SD.

StorybookRedmond — стильовая модель для генерации иллюстраций в духе детских книжек, подготовленная Yntec как LoRA, встроенная в Yntec/MapleSyrup. Она предназначена для создания мультяшных и книжных изображений по текстовым запросам; пример в карточке показывает сову в солнечных очках, а исходная версия стиля описана как LoRA для Liberte Redmond SD 1.5. Репозиторий предоставляет модель в форматах Diffusers и safetensors для использования с библиотекой Diffusers. Модель принимает текст и генерирует изображения. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает об ограничениях качества или тестировании; стиль ориентирован на иллюстрации детских книг.

Sulphur 2 distilled — это модифицированная квантованная сборка diffusion transformer для генерации видео и аудио по текстовому описанию, совместимая с ComfyUI. Модель основана на SulphurAI/Sulphur-2-base и использует компоненты LTX-2.3 AV; сборку подготовил пользователь coolthor. Это неофициальный релиз SulphurAI или Lightricks. Модель предназначена прежде всего для text-to-video и text-to-audio-video, а также заявлена поддержка image-to-video. В состав входят GGUF-квантованный diffusion transformer Q4_K_M размером 13,22 GiB, вспомогательные BF16-компоненты для текстовой проекции, аудио-VAE и vocoder, а также полный видео-VAE LTX. Текстовый энкодер Gemma-3-12B в пакет не включён и должен устанавливаться отдельно. Проверенный сценарий — генерация видео 832×480 с частотой 24 кадра/с, совместно с 48 кГц стерео AAC-аудио; рекомендуемые параметры дистиллированной модели — 8 шагов, Euler и CFG 1.0. Ключевое преимущество Q4_K_M — снижение требований к памяти и ускорение на старых NVIDIA GPU без аппаратной поддержки NVFP4. На модифицированной RTX 2080 Ti модель показала медианное время 53,083 секунды и пиковое потребление 18 050 MiB для ролика длительностью около 3 секунд, что в данном тесте было быстрее и экономичнее NVFP4. При этом качество не было формально эквивалентно проверено: возможны расхождения композиции, а лица, руки, текст в кадре и длинные клипы требуют дополнительной оценки. Для работы необходимы актуальные ComfyUI с узлами LTX-2.3 AV, ComfyUI-GGUF, отдельный Gemma-3-12B и достаточный объём общей VRAM/RAM; результаты на RTX 2080 Ti нельзя напрямую переносить на Blackwell. Распространение регулируется ltx-2-community-license-agreement.

SuperCuteRemix — слитая модель Stable Diffusion для генерации изображений по текстовому описанию, опубликованная пользователем Yntec. README указывает, что SuperCuteRemixAlpha получена смешиванием DucHaitenSuperCute 1.0 и SuperCute, а SuperCuteRemix собрана из DucHaitenSuperCute 2.0 и DucHaitenSuperCute 1.0 с помощью SuperMerger. В карточке также отмечено, что более ранняя версия модели была переименована в SuperCuteRemixAlpha. Модель ориентирована на создание милых стилизованных изображений, в том числе персонажей и девушек в эстетике аниме, а также портретов и сцен с заданными художественными или фотографическими характеристиками. Примеры в карточке демонстрируют подробные промпты для управления композицией и стилем. Репозиторий содержит веса в формате Diffusers/PyTorch Safetensors; лицензия — CreativeML OpenRAIL-M.

TencentARC/t2iadapter_sketch_sd15v2 — адаптер T2I-Adapter для генерации изображений на основе Stable Diffusion 1.5. Разработан авторами проекта T2I-Adapter; адаптер добавляет к базовой модели управляющее условие в виде эскиза. Модель предназначена для преобразования эскиза в изображение с помощью текстового запроса и совместимой базовой модели Stable Diffusion 1.5. Она даёт возможность направлять генерацию по структуре наброска; для работы требуется базовый чекпойнт runwayml/stable-diffusion-v1-5 и программная среда Diffusers. Модель работает с изображениями и текстовыми запросами, выдаёт сгенерированные изображения. Карточка указывает английский язык и лицензию Apache 2.0. Качество результата зависит от базовой модели, эскиза и запроса; адаптер предназначен для конкретного типа условия и версии Stable Diffusion.

NlpHUST/t5-small-vi-summarization — модель семейства T5, разработанная NlpHUST для суммаризации текстов на вьетнамском языке. Она принимает текст и формулирует его краткое содержание; пример в карточке показывает сжатие новостного текста о правилах расчёта социальных страховых взносов. Модель содержит 157,4 млн параметров и доступна в форматах PyTorch и Flax. Карточка содержит пример результата, но не описывает методы оценки качества и не приводит подробных рекомендаций по применению. Лицензия и длина контекста в предоставленных сведениях отсутствуют.

TaiVisionLM-base-v2 — разработанная benchang1110 мультимодальная модель для создания текстовых ответов по изображению и инструкции. Она объединяет визуальный энкодер SigLIP с языковой моделью TinyLlama через визуальный проектор; архитектура напоминает PaliGemma. В модели 1,2 млрд параметров, для работы используется библиотека Transformers. Модель дообучена на 1 млн пар изображений и текстов и предназначена прежде всего для подробного описания изображений на традиционном китайском языке. Она также рассчитана на короткие подписи и простые ответы на визуальные вопросы. В README автор указывает, что дальнейшее обучение для этих задач ещё планировалось. Для загрузки требуется включить trust_remote_code, поскольку архитектура не интегрирована в Transformers нативно. Лицензия в предоставленных данных не указана.

TaoMate-H3 3-Step LoRA — это адаптер LoRA для базовой модели MiniMax H3 (FL2VA), разработанный Alibaba TaoLive AIGC Team и преобразованный в формат, совместимый с ComfyUI. Адаптер предназначен для генерации видео по тексту и изображению, а также синхронизированного аудио-видео контента средствами MiniMax H3. Он рассчитан на дистиллированную генерацию за 3 шага и не является самостоятельной моделью: для работы требуется базовая MiniMax H3 FL2VA. Модель поставляется в формате Safetensors с типом данных bfloat16, имеет ранг LoRA 128 и alpha 128, включает 208 патчей и занимает около 1,24 ГБ. Поддерживаются стандартные узлы LoraLoader и LoraLoaderModelOnly в ComfyUI, а также Pixaroma H3 nodes и ComfyUI-H3. Рекомендуются 3 шага генерации, CFG 1.0, сила LoRA 1.0, сэмплер Euler и планировщик simple или linear FlowMatch. Главные преимущества — экономия VRAM и дискового пространства по сравнению с исходными весами и специализированная быстрая генерация за три шага. Ограничения включают зависимость от совместимой базовой модели и ComfyUI-окружения; использование CFG выше 1.0 не рекомендуется. Языки и размер базовой модели в README не указаны. Распространение осуществляется по MiniMax H3 Community License Agreement.

Kaousheik/tempo-rl-singletask-music — вариант TEMPO, дообученный GRPO только для создания музыкальных описаний. Модель основана на NVIDIA Audio Flamingo 3: аудиокодировщик Whisper-large соединён с языковой моделью Qwen2-7B через мультимодальный проектор. Вариант использует временной проектор и требует загрузки файла time_proj.pt. Модель предназначена для анализа музыки с временными отметками: распознавания аккордов и их длительности, определения темпа, инструментов и моментов их вступления или выхода. Обучение только на музыкальной задаче делает этот чекпойнт специализированным вариантом TEMPO; результаты README показывают высокую F1-оценку для определения инструментов, но низкую для аккордов, поэтому музыкальные описания и гармонический анализ следует считать приблизительными. Модель принимает аудио и выдаёт текст. Поддерживается английский язык; временные отметки ограничены 60 секундами, поэтому более длинные записи нужно разбивать на фрагменты. Лицензия указана как other, конкретные условия следует проверять на странице репозитория Hugging Face.